Fachgebiet Wissensverarbeitung (KDE), EECS, Universität Kassel

Das Fachgebiet Wissensverarbeitung im FB 16 – Elektrotechnik/Informatik (EECS) wurde im Zusammenhang mit der Einführung des Studiengangs Informatik in der Forschungs- und Lehreinheit Informatik neu gegründet, und startete zum 1. April 2004 mit der Einrichtung einer Stiftungsprofessur der Gemeinnützigen Hertie-Stiftung. Das Fachgebiet Wissensverarbeitung (Knowledge & Data Engineering) beschäftigt sich mit der organisatorischen und technischen Unterstützung von Wissensprozessen im WWW. Wir arbeiten an dem allgegenwärtigen Web (Ubiquitous Web), in dem das benutzergenerierte Wissen des Web 2.0 und Beobachtungen der räumlich-zeitlichen und sozialen Umwelt der Anwender integriert, mit Methoden der Wissensentdeckung angereichert, und im Semantic Web formalisiert werden, um Anwendungen anbieten zu können, die den Mensch in all seinen Lebensbereichen umfassend unterstützen. Das Fachgebiet Wissensverarbeitung ist Mitglied im Wissenschaftlichen Zentrum für Informationstechnik-Gestaltung (ITeG) der Universität Kassel, im Wissenschaftlichen Zentrum INCHER der Universität Kassel und im Forschungszentrum L3S

Unsere neusten Publikationen

• Doerfel, S., Hanika, T., Stumme, G.: Clones in Graphs. In: Ceci, M., Japkowicz, N., Liu, J., Papadopoulos, G.A., and Ras, Z.W. (eds.) ISMIS. pp. 56-66. Springer (2018).

  BibTeX EndNote URL

  

  
• Hanika, T., Schneider, F.M., Stumme, G.: Intrinsic Dimension of Geometric Data Sets, http://arxiv.org/abs/1801.07985, (2018).

  BibTeX EndNote URL

  The curse of dimensionality is a phenomenon frequently observed in machine learning (ML) and knowledge discovery (KD). There is a large body of literature investigating its origin and impact, using methods from mathematics as well as from computer science. Among the mathematical insights into data dimensionality, there is an intimate link between the dimension curse and the phenomenon of measure concentration, which makes the former accessible to methods of geometric analysis. The present work provides a comprehensive study of the intrinsic geometry of a data set, based on Gromov's metric measure geometry and Pestov's axiomatic approach to intrinsic dimension. In detail, we define a concept of geometric data set and introduce a metric as well as a partial order on the set of isomorphism classes of such data sets. Based on these objects, we propose and investigate an axiomatic approach to the intrinsic dimension of geometric data sets and establish a concrete dimension function with the desired properties. Our mathematical model for data sets and their intrinsic dimension is computationally feasible and, moreover, adaptable to specific ML/KD-algorithms, as illustrated by various experiments.

  

  
• Hanika, T., Koyda, M., Stumme, G.: Relevant Attributes in Formal Contexts. CoRR. abs/1812.08868, (2018).

  BibTeX EndNote URL